机构名称：
¥ 1.0
摘要：但是，随着机器学习（ML）模型越来越多地嵌入必须做出的关键决策中，可解释性成为关键功能，因为我们需要确保透明度和对自动化系统的信任。当前，尚无旨在处理复杂或不完整数据的可解释性方法，这严重限制了其对现实世界问题的应用。在本文中，我使用不完整信息（ECII）算法的增强概念归纳来介绍通过引入自动化概念诱导来增强ML的可解释性。使用描述逻辑和域特定背景知识的使用可以通过使用ECII算法来生成有关ML决策的直观，可理解的解释。我们讨论了该算法的方法，它与描述逻辑的集成，并在几个域中呈现其应用程序，并证明其关闭了复杂的ML模型输出和用户频道解释性之间的低点。关键字：机器学习，可解释性，不完整信息（ECII），描述逻辑，不完整数据，自动概念诱导，特定领域特定知识，AI中的透明度。
通过...
主要关键词
相关文件推荐
